... ..........................................................................................12 超大规模主导地位....................................... ....................................................... 经达到或接近容量，迫使租户将电力可用性和可扩 展性置于传统市场偏好之上。尽管需要大量资本投 资，二级和三级市场仍吸引了越来越多的关注。 数据中心行业在2024年经历了前所未有的变革， 这是由超大规模运营商的历史性吸纳率和人工智能 （AI）的快速发展所推动的。各大市场的空置率下 降至历史最低水平，加剧了对空间和电力的竞争， 并要求在土地、开发和基础设施方面进行重大投资 。 投资者渴望参与到该行业的发展，但成功需要不只 4吉瓦增加到2024年的超过18吉瓦——还不包 括另外30吉瓦的计划产能。 1 这种增长是由数字化转型的加速步伐以及人工智能在各个行业的日 益普及所驱动，亚马逊、谷歌、Meta、微软和甲骨文等超大规模企业领导了这一需求增长。 平衡前所未有的机会与战略风险 0 2,000 4,000 6,000 8,000 10,000 12,000

市场追踪报告，2025年H1 头豹研究院 弗若斯特沙利文咨询（中国） 2025年8月 2 关键发现  算力需求重心从训练转向推理，算力基础设施持续扩展与升级 AI算力消耗已从集中式训练转向大规模推理，带来前所未有的增量需 求。2025年被认为是算力爆发的元年，推理算力的需求将迎来井喷式 增长。推理算力的需求将在未来几年内远超训练算力。 01  2025年H1中国推理算力服务市场中，天翼云以【21 首家实现DeepSeek模型全栈国产化推理服务落地的运营商级云平台。 02  未来推理算力长序列与超大模型推理优化成为关键，国产软硬件 协同与生态成熟推动推理普及 03 中国算力正朝着“训推一体”融合架构快速发展，以支撑大规模 模型与多模态应用的高效低延迟推理。国产AI芯片与推理框架不 断优化，结合模型压缩、量化、动态推理等技术，进一步提升能 效比和部署灵活性。 3 沙利文市场研读 | 2025/08 2 研究框架 ToB中心 ToB边缘 业务 主体 大型互联网 运营商 大模型公司 行业头部企 业 大中型企业 大中小企业 大型互联网 大型企业 分支/ 中小企 算力 需求 超大规模 大规模 较小规模 小规模 超大规模 大规模 小规模 千卡～万卡 数百卡～千 卡 单机8卡起步 单机1卡起步 千卡以上 数百卡～ 数十卡 工程 难度 很高 高 较高 一般 很高 高 较高 TP/DP/PP并行，

高功耗挑战的液冷散热 技术以及模块化架构成为重要发展趋势，ODM厂商代表如浪潮、纬创、富士康与品牌商 戴尔、HPE、联想、华为、新华三之间竞争激烈。海量数据吞吐需求依赖高速存储技 术，而保障大规模算力集群高效协同的关键则在于高速互联网络如InfiniBand和RoCE， 以及持续升级的光通信技术。 全球重点区域算力竞争态势分析报告（2025年） 9 中游算力服务与软件平台层扮演着连接硬件与应用的桥梁角色。操作系统层面，从 了GPU计算的软件生态；开源社区如Hugging Face则提供了丰富的模型库与工具集，加速 了AI应用落地。数据服务与管理、中间件与平台软件等环节也发挥了重要的辅助和连接 作用。数据中心作为算力的物理承载中心，其发展呈现出超大规模化、绿色低碳化、智 能化运维以及为满足低延迟需求而部署边缘节点的显著趋势，绿色低碳化具体表现为广 泛应用液冷和自然冷却技术，并积极利用可再生能源。中国的“东数西算”战略是推动 数据中心区域协同 全球重点区域算力竞争态势分析报告（2025年） 12 全球重点区域算力竞争态势分析报告（2025年） 13 全球重点区域算力竞争态势分析报告（2025年） 13 长的核心动力。自2022年ChatGPT问世以来，大规模模型的训练与推理对计算资源提出 了前所未有的高要求。据国际数据公司（IDC）预测，全球AI计算市场规模将从2022年 的195.0亿美元增长至2026年的346.6亿美元。其中，生成式AI计算市场规模将从8

成为数据中心发展关键。 据 IDC 数据，全球数据总量预计由 2021 年的 82.47 ZB 上升至 2026 年的 215.99 ZB ， 对应 CAGR 达 21.24% 。其中，大规模张量运算、矩阵运算是人工 智能在计算层面的 突出需求，高并行度的深度学习算法在视觉、语音和自然语言 处理等领域上的广 泛应用使得算力需求呈现指数级增长。 据 Cisco 数据，全球数据中心负载任务量预计由 资料来源：金十数据，国信证券经济研究所整理 表：不同技术架构 AI 芯片比较 种类 定制化程度 可编辑性 算力 价格 优点 缺点 应用场景 GPU 通用型 不可编辑 中 高 通用型较强、适合大规模并行运算；设计和制造工艺成熟。 并行运算能力在推理段无法完全发挥。 高级复杂算法和通用性人工智能平台。 FPGA 半定制化 容易编辑 高 中 可通过编程灵活配置芯片架构适应算法迭代，平均性能较高；功耗较低； 件。 lGPU 在训练负载中具有绝对优势。据 IDC 数据， 1H21 中国 AI 芯片市场份额中， GPU 占比高达 91.9% ，依然是实现数据中心加速 的首选。 GPU 通用型较强、适合大规模并行运算，设计和制造工艺成熟，适用于高级复杂算法和通用性人工智能平台。 lAI 芯片又称 AI 加速器或计算卡，是专门用于处理人工智能应用中大量 计算任务的模块。随着数据海量增长、算法模型趋向复杂、处理对象异

万美元，对比 GPT-4o 等模型的训练成本 约为 1 亿美元。 l 2025 年 1 月， DeepSeek-R1 发布，性能对标 OpenAI-o1 正式版。 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下， 极大提 升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI-o1 正式版。同时 DeepSeek 开源 R1 推理模型，允许所有人在遵循 官网，国信证券经济研究所 整理 l 2025 年 1 月 20 日， DeepSeek-R1 正式发布，并同步开源模型权重，性能对齐 OpenAI-o1 正式版。 DeepSeek-R1 在后训练阶段大规模使用了强化学习技术，在 仅有极少 标注数据的情况下，极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI-o1 正式版。 l DeepSeek-R1 遵循 MIT License 整理 l 对跨节点的全对全通信机制进行优化，充分利用 InfiniBand 和 NVLink 提供的高带宽。 DeepSeek-V3 模型在拥有 2048 个 NVIDIA H800 GPU 的大规模集群上进 行训练， 每个节点配置了 8 个 GPU ，并通过 NVLink 与 NVSwitch 实现内部高速互联；不同节点间的高效通信则依赖于 InfiniBand （ IB ）网络。 l 创新性提出了

设规划纲要（2024－2035 年）》重点从教育数字化以及人工智能助力 教育变革两方面提出了具体的任务要求：开发新型数字教育资源，建 好国家教育大数据中心，搭建教育专网和算力共享网络。推进智慧校 园建设，探索数字赋能大规模因材施教、创新性教学的有效途径，主 动适应学习方式变革。面向数字经济和未来产业发展，加强课程体系 改革，优化学科专业设置。打造人工智能教育大模型。建设云端学校 普惠算力赋能教育行业研究报告（2025 训练等在内的高阶教学与前沿科研活动。算力开发平台通过提供一站 式的开发工具、丰富的算法模型以及友好的编程环境，极大地简化了 从理论到实践的应用过程，有效赋能师生开展自主性的算法创新与项 目实践。不仅培养了学生在大规模数据处理与智能模型开发方面的核 心能力，更促进了跨学科融合与研究范式的转型。两类平台的协同发 展与深度融合，共同构筑了支撑未来智慧教育发展的关键基础设施， 对推动教育资源的普惠化、教学内容的智能化以及科研创新的高效化 感反馈等多源信息，构建全面、立体的学生画像，实现对学生综合素 质的多维度评价。人工智能评价基于算法和模型，能够减少人为因素 的干扰，提高评价的客观性和公正性。自动化处理能力极大地提高了 教育评价的效率，无论是大规模的标准化测试还是复杂的数据分析， AI 都能在短时间内完成，降低了人力成本，提高了工作效率。 （二）算力赋能升级学习体验 算力凭借其强大的运算效能成为了重塑学习体验的关键助推力， 通过在线学习平台、智能学习设备以及

中国安防在多年建设发展中已在全球市场占据较高份额，市场发展步入稳定成熟阶 段。安防行业受政策驱动影响明显，平安城市、雪亮工程政策成为过去十年安防行业重 要的政策推动力。2015-2018 年为雪亮工程大规模推广的阶段，全国公共安全财政支出 增速均高于 10%；伴随两大政策步入尾声，安防行业的增速步入平稳增长期。2022 年 国内经济受多地疫情冲击，项目实施放缓、工期延后、交付周期拉长、资金紧张以及最 摄像机可以分为三个层次： 智能网络摄像机（Smart IPC）：在传统 IPC 基础上，增加了一些特定的识别功能（如 行为分析、异常侦测、统计功能等），无需额外增加 AI 协处理器，有望率先大规模推广。 结构化分析摄像机：以北京君正的 T20+T01 方案为例，在 IPC SoC 基础上加入了 简单的 NPU 浅层处理器，能够从视频数据中提取一些特定信息比如车牌、车辆信息等。 深度学习摄像机：有单独的 技术在应用推广的过程可能面临数据质量、资源限 制和技术能力等因素的制约，导致相关企业的 AI 应用存在推广进度不及预期的风险。 2、AI 技术发展低于预期导致应用面狭窄：AI 技术发展遭遇瓶颈，可能导致诸多场 景的大规模落地缺乏技术可行性。 免责及评级说明部分 免责声明 东吴证券股份有限公司经中国证券监督管理委员会批准，已具备证券投资咨询业务资格。 本研究报告仅供东吴证券股份有限公司

号 加快工业绿色微电网建设。增强源网荷储协调互动，引导 企业、园区加快分布式光伏、分散式风电、多元储能、高 效热泵、余热余压利用、智慧能源管控等一体化系统开发 运行，推进多能高效互补利用，促进就近大规模高比例消 纳可再生能源。 2023 《新型电力系统 发展蓝皮书》 积极推动各具特色的电力源网荷储一体化项目，围绕公共 建筑、居住社区、新能源汽车充电桩、铁路高速公路沿线 等建筑、交通、农业领域，发展新能源多领域融合的新型 等污染物排放，实现降碳减污协同效应。三是加快新型电力系统关键技术研发应用，培 育经济增长新动能。通过微电网试点和示范项目，促进人工智能、大数据、物联网、先 进信息通信等与电力系统深度融合，加快柔性直流输配电、新能源主动支撑、大规模储 能电站、新型电力系统仿真和调度运行等技术的研发、示范和推广应用，加快新型电力 系统关键技术储备与迭代，推动相关软硬件设施研发与制造，加快地方经济增长新动能 培育，助力地方经济高质量发展。例 需求，获得相应的补贴。四是 探索微电网聚合商机制，作为虚拟电厂的一部分，提供调频、调峰等辅助服务，进一步 获得市场补贴。这种聚合不仅增强了微电网在电力市场中的议价能力和影响力，还能够 提供更大规模的辅助服务，发挥更大的市场价值。 （4）强化政策支撑，打造国家级微电网产业发展示范区 一是加大对微电网的政策支持力度。研究将微电网建设纳入财政局节能和循环经济 专项资金、节能技改资金等资金予以

万大关，成为史上最快达成这一里程碑的应用。  革命性推理能力叠加出色性价比，DeepSeek-R1 模型引发全球关注。 据 DeepSeek 官网数据，DeepSeek-R1 在后训练阶段大规模使用了强化 学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力， 其在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式 版。并且，DeepSeek-R1 遵循 MIT

1-405B 等 开 源 模 型 ， 并 在 性 能 上 和 GPT-4o 以 及 Claude-3.5-Sonnet不分伯仲，训练成本约为558万美元。1月20日， DeepSeek开源R1模型，后训练阶段大规模使用了强化学习技术，在仅有 极少标注数据的情况下，性能比肩OpenAI o1正式版，不仅极大提升了 模型推理能力，也大幅降低了训练成本。同时，DeepSeek-R1蒸馏了6个 小模型，其中32B和7 1-405B 等开源模型，并在性能上和 GPT-4o 以及 Claude-3.5-Sonnet 不分伯仲，训练成本仅约为 558 万美元。1 月 20 日，DeepSeek 开源 R1 模型，后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下， 极大提升了模型推理能力。在数学、代码、自然语言推理等任务上，性能比肩 OpenAI o1 正式版。 图 1：DeepSeek R1 性能比肩 OpenAI